بررسی عملکرد روش های مبتنی بر یادگیری ماشین در تخمین زمان واخنش کلاس درس با استفاده از شبکه های عصبی

کلاس های درس به عنوان یکی از مهم ترین محیط های آموزشی نقش عمده ای در یادگیری و پیشرفت تحصیلی دانش آموزان دارند. زمان واخنش به عنوان یکی از مهم ترین شبه سنج های صوتی در داخل اتاق ها، تاثیر بسزایی در کیفیت صدا دارد. عدم کارآیی مناسب فرمول های کلاسیک مانند سابین، باعث شد که در این مقاله به بررسی استفاده از روش های یادگیری ماشین به عنوان یک روش جایگزین برای پیش بینی زمان واخنش محیط پرداخته شود. در این پژوهش ابتدا با استفاده از روش های مبتنی بر صوتیات هندسی و با استفاده از نرم افزار اودیون به جمع آوری مجموعه دادگان مورد نیاز در بسامد های 500 و 2000 هرتز پرداخته می شود. در این مجموعه دادگان چهار کلاس درس با فضایی مستطیل شکل، همراه با عنصر هایی مانند میز و صندلی و پنجره و در، استفاده شد. پس از آن به منظور ارایه یک سامانه مبتنی بر یادگیری ماشین از شبکه عصبی پرسپترون چندلایه و شبکه عصبی مبتنی بر توابع پایه شعاعی به همراه الگوریتم خوشه بندی کی- میانگین و هم چنین شبکه عصبی کانولوشن استفاده شده است. این الگو ها ویژگی های محیط را در نظر می گیرند و در نهایت مقادیر زمان واخنش را به عنوان تابعی از بسامد برآورد می کنند. در این پژوهش با استفاده از شبکه عصبی پرسپترون چندلایه برای بسامد 500 هرتز، ضریب تعیین 93 درصد و برای بسامد 2000 هرتز، ضریب تعیین 95 درصد حاصل شد. هم چنین با استفاده از شبکه عصبی مبتنی بر توابع پایه شعاعی برای بسامد 500 هرتز، ضریب تعیین 82 درصد و برای بسامد 2000 هرتز، ضریب تعیین 89 درصد ثبت شد. هم چنین با استفاده از شبکه عصبی کانولوشن یک- بعدی برای بسامد 500 هرتز، ضریب تعیین 94 درصد و برای بسامد 2000 هرتز ضریب تعیین 96 درصد ثبت شد.